Great Expectations 数据验证框架中的 DataFrame 数据泄露问题分析
2025-05-22 13:41:09作者:庞队千Virginia
在数据质量验证工具 Great Expectations(GX)1.0.1版本中,我们发现了一个重要的数据安全问题。当使用内存中的pandas数据源进行数据验证时,整个DataFrame会被完整地记录在验证结果JSON文件中,这可能导致敏感数据泄露。
问题背景
Great Expectations 是一个流行的数据质量验证框架,它允许用户定义数据期望并验证数据集是否符合这些期望。在最新版本中,当用户通过内存中的pandas DataFrame创建数据源和资产定义时,框架会将整个数据集序列化到验证结果中。
问题表现
具体表现为:
- 使用pandas DataFrame作为内存数据源
- 创建相关资产和批次定义
- 运行期望套件验证数据
- 生成的验证结果JSON文件中,完整的数据集出现在meta部分的active_batch_definition.batch_identifiers.dataframe键下
技术分析
这个问题源于框架在序列化验证结果时,没有正确处理内存数据源的数据屏蔽。与已经实现的batch_parameters数据屏蔽不同,DataFrame内容被完整保留。
对于大型数据集(特别是Spark表),这个问题尤为严重,因为:
- 整个表会被序列化为JSON
- 可能导致内存问题和性能下降
- 增加了敏感数据暴露的风险
解决方案
开发团队已经意识到这个问题并迅速响应。修复方案包括:
- 在验证流程的更早阶段应用数据屏蔽
- 防止DataFrame被不必要地序列化
- 保持与batch_parameters一致的数据处理方式
修复已经合并到主分支,并计划在下一个版本中发布。
最佳实践建议
在使用Great Expectations时,建议:
- 对于包含敏感数据的内存数据集,暂时避免使用1.0.1版本
- 等待包含修复的新版本发布
- 定期检查验证结果文件,确保不包含意外数据
- 对于生产环境,考虑使用其他数据源类型而非内存DataFrame
总结
数据安全是数据质量工具的核心要求之一。Great Expectations团队对此问题的快速响应显示了他们对数据安全的重视。用户应关注新版本的发布,并及时升级以获得修复。
登录后查看全文
热门项目推荐
相关项目推荐
Hunyuan3D-Part
腾讯混元3D-Part00Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0277community
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息011Hunyuan3D-2
Hunyuan3D 2.0:高分辨率三维生成系统,支持精准形状建模与生动纹理合成,简化资产再创作流程。Python00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
154
1.98 K

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
405
387

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
941
555

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
70

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
992
395

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
509
44

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.32 K

React Native鸿蒙化仓库
C++
194
279